物聯網監測數據的質量控制技術
童英華
買這商品的人也買了...
-
$354資料採擷核心技術揭秘 -
$474工業大數據融合體系結構與關鍵技術 -
$534數字孿生系統設計與實踐 -
$418特徵工程訓練營 -
$774時間序列分析:預測與控制(原書第5版) -
$768傳感器陣列測向與定位 -
$588天線系統結構 -
$474數據可視化與設計思維 -
$888知識圖譜應用實踐指南 -
$474數據資源規劃 -
$594基於數字信號處理的光纖通信 -
$594空間目標軌道仿真原理、建模與應用實踐 -
$414數據處理與特征工程 -
$528工業數據智能:方法、技術與應用 -
$528多源離群數據檢測方法及技術 -
$594時間序列預測智能技術 -
$534不可靠網絡通信下動態信息物理系統的彈性控制與狀態估計 -
$552無源目標定位跟蹤方法及應用 -
$414多模態機器學習 -
$288感知技術中的信號與系統 -
$474多元時間序列分析及金融應用(R語言) -
$774人工智能芯片架構與設計 -
$594工業大數據分析與處理 -
$594醫學機器學習和深度學習基礎 -
$1,014西門子 S7-1200 G2 PLC 編程及使用指南
相關主題
商品描述
本書主要內容有:面向物聯網監測流數據的無監督異常檢測算法,能夠為物聯網監測系統中大量湧現的高維流數據,構建有效的異常檢測方法;基於半監督的物聯網監測數據異常檢測算法,借助正常訓練數據,顯著提升算法對異常數據的檢測準確度;基於無監督與半監督的多維復雜特征數據異常檢測方法,以及基於無監督的多維復雜時序數據異常檢測方法,專門針對物聯網中的多維異構數據異常檢測難題提供解決方案;基於GAIN-ARN與CPC-GAIN的缺失數據檢測方法,則為物聯網監測中多元時序數據,構建了有效的缺失值檢測方法。
目錄大綱
目錄
第1章 緒論 1
1.1 研究背景 1
1.2 研究意義 1
1.3 研究內容與貢獻 2
1.4 本書的組織結構 3
1.5 課題來源 5
第2章 相關概念及研究綜述 6
2.1 時間序列數據 6
2.1.1 單變量時間序列數據 6
2.1.2 多變量時間序列數據 6
2.2 物聯網中數據質量的保障機制 6
2.2.1 異常值檢測 7
2.2.2 插值 7
2.2.3 數據集成 7
2.2.4 重復數據刪除 8
2.2.5 數據清洗 8
2.3 異常分類 9
2.3.1 點異常 9
2.3.2 上下文異常 9
2.3.3 集合異常 9
2.4 物聯網監測數據的異常檢測方法 9
2.4.1 基於無監督的異常檢測方法 10
2.4.2 基於半監督的異常檢測方法 12
2.4.3 基於有監督的異常檢測方法 15
2.5 數據缺失的類型 16
2.5.1 單一數據點缺失 16
2.5.2 單一變量缺失 17
2.5.3 多變量缺失 17
2.5.4 時間序列數據缺失 17
2.6 數據缺失的處理方法 17
2.6.1 刪除法 17
2.6.2 插補法 18
2.6.3 模型建模法 19
第3章 面向物聯網監測數據流的無監督異常檢測算法 22
3.1 引言 22
3.2 基於投影索引近鄰的累計局部離群因子算法 22
3.2.1 算法描述 22
3.2.2 滑動窗口維護 23
3.2.3 基於投影索引近鄰的窗口數據局部離群因子增量更新 24
3.2.4 算法復雜度分析 26
3.3 本章實驗與分析 26
3.3.1 數據集 27
3.3.2 評估指標 27
3.3.3 實驗結果與分析 27
3.4 可行性研究 31
3.5 本章小結 31
第4章 基於半監督的物聯網監測數據異常檢測算法 33
4.1 引言 33
4.2 問題描述 34
4.3 半監督異常檢測算法框架 34
4.3.1 算法架構 34
4.3.2 時間卷積網絡特征建模損失函數 35
4.3.3 基於變分自編碼器的對抗網絡架構異常檢測算法 35
4.4 本章實驗與分析 38
4.4.1 數據集 38
4.4.2 評估指標 39
4.4.3 基準算法 39
4.4.4 實驗結果與分析 39
4.4.5 參數分析 43
4.5 消融實驗 45
4.6 本章小結 46
第5章 基於無監督的多維復雜特征數據異常檢測方法 47
5.1 引言 47
5.2 非參數擬合高斯混合分布數據特征的異常檢測方法 47
5.2.1 方法描述 47
5.2.2 累積概率波動計算 48
5.2.3 異常檢測 50
5.2.4 方法可解釋性分析 51
5.3 本章實驗與分析 52
5.3.1 數據集 52
5.3.2 評估指標 53
5.3.3 實驗環境與設置 53
5.3.4 實驗結果與分析 54
5.4 可擴展性分析 57
5.5 本章小結 58
第6章 基於半監督的多維復雜特征數據異常檢測方法 59
6.1 引言 59
6.2 基於累積概率波動和自動化聚類的異常檢測方法 59
6.2.1 方法架構 59
6.2.2 數據預處理 60
6.2.3 DBSCAN的參數自動搜索 62
6.2.4 異常檢測 68
6.3 本章實驗與分析 69
6.3.1 數據集 69
6.3.2 評估指標 70
6.3.3 基準方法 70
6.3.4 實驗結果與分析 71
6.4 消融實驗 75
6.5 本章小結 76
第7章 基於無監督的多維復雜時序數據異常檢測方法 78
7.1 引言 78
7.2 基於變分自編碼器和高斯混合模型的異常檢測方法 78
7.2.1 時序數據的形式化表達 79
7.2.2 高斯混合潛在空間中的成分量數 80
7.2.3 異常檢測方法 81
7.3 本章實驗與分析 83
7.3.1 數據集 83
7.3.2 實驗結果與分析 84
7.4 本章小結 85
第8章 基於GAIN-ARN生成對抗插補網絡模型的缺失數據檢測方法 86
8.1 引言 86
8.2 問題定義 87
8.3 系統模型 88
8.3.1 GAIN-ARN模型架構 88
8.3.2 自註意力機制 90
8.3.3 殘差連接 91
8.4 本章實驗與分析 93
8.4.1 數據集 93
8.4.2 實驗設置 93
8.4.3 實驗分析 94
8.5 實例分析 95
8.6 消融實驗 97
8.7 本章小結 98
第9章 基於CPC-GAIN的缺失數據檢測方法 99
9.1 引言 99
9.2 問題定義 100
9.3 模型架構 101
9.3.1 聚類與分類 102
9.3.2 概率模型 103
9.3.3 生成器和判別器 105
9.4 本章實驗與分析 107
9.4.1 數據集 107
9.4.2 實驗設置 108
9.4.3 實驗分析 109
9.4.4 模型泛化性驗證 113
9.5 計算復雜度與運行時間分析 114
9.6 靈敏度分析 115
9.7 消融實驗 117
9.8 本章小結 119
第10章 結論 120
10.1 本書的主要貢獻與結論 120
10.2 進一步的工作 122
參考文獻 123



